في عالم الذكاء الاصطناعي، يشكل تحسين دقة الإجابات الطبية أمرًا بالغ الأهمية، لذا تمثل تقنية استرجاع المعلومات المدعومة لتوليد الإجابات (RAG) خطوة مهمة. ومع ذلك، تعاني هذه التقنية من عيوب في عملية الاسترجاع الثابتة خلال جولاتها الواحدة، مما لا يتناسب مع العمليات الديناميكية للتفكير السريري، وهنا يظهر ابتكار SEMA-RAG.\n\nبالنظر إلى الصعوبات المتعلقة بترجمة الأسئلة إلى استفسارات فعلية وفقدان التغذية الراجعة الكافية، تم تطوير إطار SEMA-RAG، والذي يعتمد على مفهوم تفكيك المهام وتفحص متعدد المراحل. مما يعزز قدرة الآلة على تفسير المعلومات بشكل أفضل. يتضمن SEMA-RAG ثلاثة وكلاء متخصصين: \n- **وكيل التفسير** (Interpreter Agent) لتفسير المعايير السريرية. \n- **وكيل الاستكشاف** (Explorer Agent) لاسترجاع المعلومات بدافع الكفاءة. \n- **وكيل التحكيم** (Arbiter Agent) لتحديد الأدلة واختيار الإجابات.\n\nأثبت SEMA-RAG فعاليته من خلال تحقيق زيادة بنسبة 6.46% في دقة الإجابات عبر خمسة معايير وخمسة نماذج لغوية (LLM)، مما يعيد تشكيل الفهم والتفكير في مجال الرعاية الصحية. إن هذا الإطار لا يسهم فقط في تحسين دقة الإجابات، بل يعزز أيضًا قدرة الأنظمة الذكية على اتخاذ قرارات مدعومة بالأدلة، مما يمهد الطريق لمستقبل واعد في الذكاء الاصطناعي العلاجي.